数据治理平台之模型管理

前一段时间看到几个金融客户的数据管控（治理）平台邀标书，功能需求都包括：元数据管理、标准管理、质量管理、数据模型管理，其中模型管理的功能如下：

• 数据模型导入；
• 数据模型编辑；
• 数据模型展示；
• 数据模型导出。
  
  

一、数据模型管理概述

数据是对客观事物的数字符号表示，模型是对现实世界的抽象。数据模型是对现实世界的数据特征的抽象。数据模型按不同的应用层次分成概念数据模型、逻辑数据模型、物理数据模型三种类型。

数据模型是伴随着关系型数据库发展起来的，先后有s-designer、Powerdesigner、ERWin等建模工具。这些建模工具都具有上面的四项功能，部分产品还支持版本比对、数据库反向工程。

十多年前，盗版的建模工具几乎是每个项目组，特别是模型设计人员的标配软件。最近几年，建模工具在各项目组逐渐绝迹，在一些IT合规要求较高的银行，明令禁止使用上述建模工具。原因大致有下面几个：

• 太贵。
• 作用有限。建模工具最大的特点是图形化，可以直观地展示模型的整体性及相互关系，这点对一个全新系统或新人特别有吸引力。同时，当今全新系统越来越少，大多是已有产品基础进行定制化开发。此时，对于熟练老手来说，数据模型已经烂熟于心，模型工具就有点鸡肋的味道。
• 建模工具的天然局限。数据模型包含：数据结构、数据操作及完整性约束条件三要素。站在加工的视角，数据表是数据流的“存储节点”，节点之间的数据加工规则设计同样重要。目前市面上的建模工具主要关注存储节点的数据结构，而对数据加工规则无能为力，只好推给了开发环节，推给了程序员，这自然造成模型、ETL的隔离，为以后的BUG、变更混乱留下了隐患。
• EXCEL的广泛使用。当前越来越多厂商采用EXCEL类工具进行模型管理及数据加工规则管理，同时，利用VAB等程序，把模型及加工规则自动生成代码。
  
  

二、数据治理“新平台”

金融业内开展数据治理有十多年历史，而治理平台也早打上了“数据标准、元数据、数据质量”三大功能模块。

大多治理项目的咨询和推进，最后都落在治理平台上。所以，平台常常成了治理效果不显甚至失败的背锅侠。

这两年，数据治理随着数据时代的到来而又重新火热起来。同时，又有几家厂商杀入治理领域，推出了新平台。有意思的是，这些厂商不约而同地宣扬“基于数据模型的治理平台”， 具有下面新功能：

• 管理标准化的业务用语、单词、域、编码等；
• 设计标准化的数据模型；
• 制定数据模型管理办法和流程，统一管控企业数据模型。
  
  

显然，这些所谓的新平台并不新，和十年前的建模工具相比，主要是强调了模型管理体系。

之前的建模工具在国内水土不服，“新治理平台”的实际效果也很难让人乐观。

三、理想的数据治理治理平台

数据治理之前的不成功，本质原因在于治理体系的不完整、不深入。成功的数据治理应该和数据开发、数据服务彻底融合，不仅建立组织流程类管理体系，更要完善长效治理机制，以及相关工具平台以提高治理效率。

传统的标准、质量、元数据三大模块并不过时，而是缺少一个抓手将三者串联起来，这就是数据资产的作用。

理想的治理平台应该能够回答下面的问题：

• 我有什么数据？
• 这些数据在哪里？
• 这些数据的质量如何？
• 这些数据从哪里来？
• 又到哪里去？
  
  

同时，治理平台在生命周期过程中，不断与其他平台交互，比如软件开发平台：

• 在需求分析阶段，需要治理平台提供数据标准相关信息；
• 在设计阶段，需要治理平台提供元数据影响性分析已经标准数据元信息，设计完成后，向治理平台提交最新元数据信息。
  
  

显然，治理平台就是一个协调平台，而不是一个替换建模平台、分析设计平台、开发测试平台的大杂烩平台。

四、立场

治理涉及企业方方面面的责权利，远比普通管理问题复杂，遑论依靠一个**平台来完成企业的数据治理蓝图。

但市场上充斥各种声音，每个厂商都有立场，都会选择性地强调一部分，忽略一部分，遮盖一部分。

另外，这也是我选择个人公众号的原因，初衷就是采用客户的视角，尽量保证一定的独立性和客观性。

作者：李杰林举  来源：数据管理及应用